基于多维关联规则的用电负荷智能预测方法

邹 晖，李金灿，卢万平

（1.广西电网有限责任公司，广西南宁 530000；2.广西电网有限责任公司河池供电局，广西河池 547000）

目前国内用电负荷预测技术主要集中在各种影响指标之间的交互作用上，但国内现有的用电负荷预测模型还存在一些不足，无法精准预测用电负荷。针对上述研究背景，研究一种新的用电负荷智能预测方法，已经成为当前相关领域的研究重点。

文献[1]提出了基于LSTM 神经网络的预测方法，该方法在神经网络结构支持下提取电力负荷变化特征，使用双向时序学习方式训练特征。再结合注意力机制计算负荷权重，由此实现用电负荷预测；文献[2]提出了基于最小二乘支持向量机的预测方法，该方法使用一种自适应权重计算方法，优化处理用电负荷权值，结合自组织特征映射网络对原始负荷分类处理，获取多组训练集。依据训练集构建预测模型，使用粒子群优化算法获取预测结果。

然而，上述这两种方法均无法辨识用电负荷是否异常，导致预测结果误差较大。为此，提出了基于多维关联规则的用电负荷智能预测方法。

1 用电负荷智能预测

1.1 负荷数据挖掘

多维关联规则是一种多维挖掘准则，能够表明多个变量之间的规律性。多维关联规则匹配中如果只有一条相匹配结论，那么依据该匹配条件构建预测模型。为了满足用电需求，研究最小支持度和可信度之间的关联关系[3-5]。由于负荷预测中的相关定量数据为连续值，所以应对数据进行离散化处理，将数据划分为不同等级，得到概化后的数据库，该数据库直接作用于多维关联规则挖掘过程中。

基于多维关联规则挖掘主要包括两个步骤：首先扫描新增用电负荷数据的集合，获取新增用电负荷集上的候选集。将原项目集A1 的复杂项目添加到总用电量数据集B1 中，扫描非频繁项集并统计频繁项集支持的候选集，之后向B1 中添加频繁项。向频繁项集合中添加不常用的C1 候选集，扫描数据库，移除非频繁候选集中的大幅度变化数据，返回频繁项集B1 中；在此基础上，若该项目的子集属于非频繁项集，那么该项目就会被删除。在频繁项集合B1 中，可获得候选集C2，同样也需移除非频繁候选集中的大幅度变化数据，返回频繁项集B2 中[6]。依次挖掘，直到找到所有频繁项集即可，即可获取全部用电负荷待预测数据。

1.2 用电负荷智能预测

根据上述挖掘的频繁项集（即用电负荷待预测数据）对数据进一步划分，方便负荷智能预测[7]。以如下公式作为划分负荷的依据，可表示为：

式中，q1、q2、q3、…、qn分别表示电冰箱、电视、空调等n个用电负荷。

结合这些用电负荷数据，在多维关联规则中，计算规则提升度可表示为：

式中，P(X)、P(Y)分别表示频繁项集B1、B2 被挖掘的概率。当公式计算结果为负值时，能够马上剔除这部分多余数据；反之，则说明多维关联规则中提升度对频繁项集被挖掘概率起到有效作用[8-10]。

在确定规则提升度情况下，对n个用电负荷数据进行预处理，生成待预测目标集，在该目标集中第n个用电序列模型可表示为：

根据获取的用电序列，整合全部频繁项集，生成强大关联规则。在该规则中，1 表示非空子集，0 表示空子集，如果项集合中任意一个频繁项集为1，则说明该集合为非空子集，可将该子集作为用电负荷智能待预测集合[11-12]。通过对待预测集合进行训练，能够得到预测模型，进而减小训练误差[13]。统计预测日前m天用电负荷最大值和最小值，构建预测模型，如图1 所示。

图1 用电负荷智能预测模型

根据用电负荷的最大值和最小值，提取由电冰箱、电视、空调等n个用电负荷组成的预测模型初始数据。对初始数据进行标准化处理，从而获取输入数据矩阵，将多维关联规则作为预测模型规则进行强关联学习[14]。

在每个负荷预测结果中加入一个权值，将权值控制在规定的临界值之内，通过对实测数据的对比和分析，得出偏差的平方值[15]。采用迭代法对包含全部负荷和测量数据各状态变量进行迭代优化处理，得到了各状态变量下的目标函数均方值，以判定其收敛性。在收敛程度最大的情况，可获取用电负荷预测最大值，反之则获取用电负荷最小值。

2 误差预测数据修正

在用电负荷智能预测结果中包含了多种误差数据，直接将其作为预测结果很难保证预测结果精准。对预测结果进行可靠性评估，是平衡用电负荷智能预测结果的基础指标。基于此，为了快速发现用电负荷智能预测过程受到噪声影响而出现的异常负荷问题，使用多维关联规则修正方法，克服对误差数据辨识难的问题。

首先，根据电力资料库中的电力消耗情况，找出一条特定的电力供应线路，统计所经过的电力消耗电量，再由系统查找出电力供应节点，在该节点处注入用电负荷预测修正公式，可表示为：

式中，Wt-1、Wt分别表示t-1 时刻、t时刻节点的有功功率，即用电负荷[16]。在获取用电负荷后，辨识误差负荷数据，避免影响预测结果，辨识结构如图2 所示。

图2 辨识结构

由图2 可知，通过对误差负荷数据辨识，计算误差预测数据的预测偏差，公式可表示为：

式中，f′0 表示预测负荷值；f0表示实际负荷值。针对实际的用电负荷需求，选取最优频繁项集。在考虑多维支撑度和频繁项集合的情况下，选取适当的置信度可使低值频繁集和冗余关联规则得到最小化。

最后，将上述节点注入的修正值与待预测用电负荷值进行对比，如果对比结果不在0～2%误差范围内，则说明这部分数据为误差数据，需剔除；如果对比结果在0～2%误差范围内，则保留全部待预测值，由此完成用电负荷智能预测。

3 实 验

根据某省近三年电网用电负荷历史数据信息，统计得到：2020 年用电负荷突然大幅度增加，这一年用户使用的电子设备较多，这些用电高峰期主要发生 在2020 年5 月-7 月、9 月-11 月。对于这部分数据，使用用电信息采集装置进行实时采集，采集系统的集中器与采集器直接相连，并通过载波电源线路进行数据交换。各个用电装置与电表之间通过RS485 连接，由此才能开始进行实验测试。

3.1 实验数据分析

采集从2020年5月1日至6月30日和9月1日至10月30日的某市温度最高、最低值及日照时长数据，如表1所示。

表1 温度、时长数据统计结果

由表1 可知，实验情况设置为两类，分别是温度情况和日照情况。在这两种情况下，统计用电负荷最大值和最小值，如表2 所示。

表2 用电负荷最大值和最小值统计结果

由表2 可确定实际用电最大和最小负荷值，以此为依据进行实验验证分析。

3.2 实验结果与分析

3.2.1 温度因素对预测结果影响

在电网中用电设备存在大量气候敏感负荷（比如空调），如果持续高温将会引起空调用电负荷变化幅度较大。在该情况下，只考虑温度因素，不考虑日照因素，对比分析LSTM 神经网络、最小二乘支持向量机、多维关联规则预测方法的用电负荷预测结果，如图3 所示。

图3 温度因素下用电负荷预测

由图3可知，使用神经网络识别方法最大、最小预测结果与实际数据不一致，最大误差分别为470 MW和110 MW；使用最小二乘支持向量机识别方法最大、最小预测结果与实际数据不一致，最大误差分别为420 MW 和70 MW；使用多维关联规则识别方法最大、最小预测结果与实际数据基本一致，只在9 月30 日时与实际数据存在最大为5 MW 的最大负荷误差。

3.2.2 日照因素对预测结果影响

用电负荷随着日照小时的季节变化发生改变，日照因素会导致负荷需求模式发生结构性改变。在该情况下，只考虑日照因素，不考虑温度因素，对比分析三种预测方法的用电负荷预测结果，如图4所示。

图4 日照因素下用电负荷预测

由图4 可知，使用神经网络识别方法最大、最小预测结果与实际数据不一致，最大误差分别为31 MW 和13 MW；使用最小二乘支持向量机识别方法最大、最小预测结果与实际数据不一致，最大误差分别为60 MW 和9 MW；使用多维关联规则识别方法最大、最小预测结果与实际数据基本一致，只在6月15 日时与实际数据存在最大为0.3 MW 的最小负荷误差。

通过上述分析结果可知，使用多维关联规则识别方法能够精准识别用电最大、最小负荷。

4 结束语

该文提出了基于多维关联规则的用电负荷智能预测方法，通过数据预处理，将原始数据整合为以用电负荷分析为主的数据库，为关联规则提供数据平台。运用关联规则建立的预测模型，对负荷进行智能预测。通过实验验证结果可知，该方法运用于城市电力负荷分析，能够有效提升用电负荷的预测准确性，对电力用电决策提供理论依据。